Garuda - Garba Rujukan Digital

KOMPARASI ALGORITMA MACHINE LEARNING DALAM MEMPREDIKSI HARGA RUMAH Haryanto, Cep; Rahaningsih, Nining; Muhammad Basysyar, Fadhil
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 7 No. 1 (2023): JATI Vol. 7 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v7i1.6343

Manusia memiliki kebutuhan mendasar akan sebuah tempat yang bisa disebut sebagai rumah atau tempat berteduh. Dengan banyaknya pertumbuhan penduduk di Indonesia dari tahun ke tahun membuat tidak semua golongan masyarakat memiliki tempat tinggal yang layak huni. Maka dari itu agar setiap keluaga dapat memiliki tempat tinggal pribadi yang layak diperlukan perencanaan yang matang. Dalam perencanaan tersebut diperlukan perencanaan atau prediksi harga di masa mendatang. Salah satu metode yang bisa digunakan adalah dengan menggunakan algoritma machine learning. Adapun beberapa faktor yang mempengaruhi harga rumah diantaranya luas lahan, luas bangunan berdiri, banyaknya kamar tidur, kamar mandi, dan garasi. Metode yang digunakan dalam penelitian ini adalah multiple linear regression dan random forest regression. Tujuan dari penelitian ini adalah mencari hasil prediksi terbaik antara multiple linear regression dan random forest regression. Untuk mendapatkan nilai prediksi yang tinggi penelitian dilakukan secara berulang kali dengan 80% dataset untuk training dan 20% dataset untuk testing guna mencapai hasil prediksi yang tinggi. Hasil dari penelitian ini diperoleh bahwa algoritma random forest regression merupakan algoritma terbaik dalam penelitian ini dengan nilai akurasi sebesar 81,6%.

IMPLEMENTASI ALGORITMA REGRESI LINEAR UNTUK MEMPREDIKSI PENDAPATAN PT PLN BERDASARKAN PENGGUNAAN PER KELOMPOK PELANGGAN Maulana, Taufan; Astuti, Rini; Muhammad Basysyar, Fadhil
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 7 No. 6 (2023): JATI Vol. 7 No. 6
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v7i6.8083

Perusahaan Listrik Negara (PLN) merupakan perusahaan milik negara yang bertanggung jawab atas penyediaan listrik di Indonesia. Metode yang digunakan pada penelitian kali ini adalah menggunakan data mining yaitu regresi linear berganda untuk memprediksi pendapatan PT PLN. Penelitian ini data didapatkan dengan melakukan pencarian di website resmi PT PLN yaitu https://web.pln.co.id/stakeholder/laporan-statistik. data yang akan diteliti pada penelitian ini merupakan data penggunaan perkelompok pelanggan yang meliputi data jumlah pelanggan per jenis pelanggan, daya tersambung per kelompok pelanggan (MVA), energi terjual per kelompok pelanggan (GWh), pendapatan per kelompok pelanggan (juta Rp), energi terjual rata-rata per jenis pelanggan (kWh), tarif listrik rata-rata per kelompok pelanggan (Rp/kWh), dan tahun. Data tersebut terkumpul dari tahun 2014 sampai tahun 2022. Kemudian akan dilakukan analisa dan preprosesing sebelum akhirnya siap dilakukan analisa prediksi menggukan algoritma regresi linear berganda. Dari penelitian yang telah dilakukan dan setelah dilakukan pemodelan didapatkan penggunaan per kelompok pelanggan sangat mempengaruhi tingkat pendapatan PT PLN, dengan didapati akurasi dari hasil model menggunakan r_score adalah 0.9924 dari hasil pengujian matric dengan menggunakan Mean Absolute error (MAE) didapatkan 583656.0650, Mean Squared Error (MSE) didapatkan 894668323229.3309, dan Root Mean Squared Error (RMSE) didapatkan 945869.0835. Dengan demikian pemodelan tersebut dikatakan efektif untuk melakukan prediksi menggunakan algoritma regresi linear berganda.

DETEKSI BERITA PALSU MENGGUNAKAN ALGORITMA RANDOM FOREST Nurohanisah, Siti; Astuti, Rini; Muhammad Basysyar, Fadhil
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 1 (2024): JATI Vol. 8 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i1.8418

Dalam era digital yang dipenuhi oleh penyebaran berita palsu atau yang lebih dikenal dengan istilah "hoaks," tantangan untuk memerangi penyebaran informasi yang salah dan menyesatkan semakin mendesak. Berita palsu memiliki potensi untuk merusak kepercayaan publik, menciptakan kebingungan, dan berdampak negatif pada masyarakat. Oleh karena itu, penelitian ini bertujuan untuk mengklasifikasi berita palsu yang menggunakan algoritma Random Forest, dengan tujuan mengeksplorasi cara menggunakan algoritma Random Forest dalam mengidentifikasi dan memisahkan berita palsu dari berita yang asli. Penelitian ini dilakukan dengan memanfaatkan dataset yang mencakup berbagai jenis berita, termasuk berita palsu dan berita asli, yang telah dianalisis dan dikategorikan oleh ahli faktual. Teknik pemrosesan bahasa alami (NLP) digunakan untuk mengekstraksi fitur-fitur penting dari teks berita. Penelitian ini menggunakan algoritma Random Forest untuk klasifikasi. Random Forest bekerja dengan cara menggabungkan sejumlah besar pohon keputusan yang independen untuk membuat keputusan akhir. Setiap pohon membuat prediksi, dan hasil akhirnya didasarkan pada mayoritas prediksi dari pohon-pohon tersebut. Kelebihan utama Random Forest adalah kemampuannya dalam mengatasi overfitting dan meningkatkan akurasi dengan menggabungkan prediksi dari beberapa model. Evaluasi dilakukan dengan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa klasifikasi berita palsu menggunakan algoritma Random Forest mampu mengklasifikasikan berita dengan tingkat akurasi yang memuaskan. Hasil akhir menunjukkan bahwa sistem ini memiliki kinerja yang baik dalam membedakan berita palsu dari berita asli, dengan akurasi rata-rata di atas 87%.

PENERAPAN ALGORITMA K-MEANS PADA DATASET PENGANGGURAN TERBUKA BERDASARKAN PENDIDIKAN DI PROVINSI JAWA BARAT Kusuma Arum, Sintia; Astuti, Rini; Muhammad Basysyar, Fadhil
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 2 (2024): JATI Vol. 8 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i2.9440

Pengangguran merupakan istilah untuk orang yang tidak bekerja sama sekali,bekerja kurang dari dua hari selama satu minggu, atau seseorang yang berusaha mencari pekerjaan. Jumlah kasus Pengangguran Terbuka berdasarkan Tingkat Pendidikan Akhir adalah salah satu indikator penting dalam mengukur tingkat pengangguran di suatu Daerah. Dataset yang digunakan dalam penelitian ini merupakan dataset yang bersumber dari website resmi pemerintahan Open Data Jabar periode tahun 2019-2022. Algoritma K-Means Clustering telah diterapkan pada dataset pengangguran terbuka berdasarkan Pendidikan untuk mengelompokan data berdasarkan tingkat Pendidikan akhir serta jumlah pengangguran provinsi yang terletak di Kota maupun dan di Kabupaten.Penelitian ini dilakukan bertujuan untuk mendapatkan beberapa hasil pengelompokan data Pengangguran di Provinsi Jawa Barat berdasarkan Tingkat Pendidikan Akhir. Pengelompokan tersebut, dibagi menjadi 3 Bagian yaitu tingkat pengangguran tinggi, tingkat pengangguran menengah dan tingkat pengangguran rendah, Tingkat Pengangguran tinggi diperoleh sebanyak 389 cluster, Tingkat Pengangguran Menengah dengan 162 cluster, dan Tingkat Pengangguran rendah dengan hasil 29 Cluster. Hasil dari penelitian ini diharapkan dapat memberikan wawasan penting untuk kebijakan pemerintah terkait masalah peningkatan angka pengangguran di berbagai daerah, serta menunjukan bahwa kemampuan Algoritma K-Means dalam mengelompokan data pengangguran terbuka berdasarkan tingkat Pendidikan telah mendapatkan hasil K terbaik

IMPLEMENTASI ALGORITMA LONG SHORT TERM MEMORY (LSTM) UNTUK MEMPEREDIKSI VOLUME SAMPAH Loni Manikari, Salsa; Astuti, Rini; Muhammad Basysyar, Fadhil; Agusbaciar, Agusbaciar
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 3 (2024): JATI Vol. 8 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i3.9598

Permasalahan sampah telah menjadi isu penting di berbagai kota dan kabupaten di Indonesia, termasuk di kabupaten Cirebon. Pertumbuhan penduduk dan gaya hidup masyarakat menjadi faktor utama dalam meningkatkan volume sampah. Pada tahun 2022, volume sampah di Provinsi Jawa Barat meningkat 5,4%, menyebabkan masalah ketersediaan Tempat Pembuangan Akhir (TPA) yang hampir overload. Hal Ini dapat mengakibatkan berkurangnya lahan tempat pembuangan sampah akhir Oleh karena itu dibutuhkanya prediksi volume sampah adalah cara untuk mengantisipasi lonjakan volume sampah yang berlebihan di lokasi pembuangan sampah akhir. Data yang digunakan dalam penelitian ini meliputi data time series yang terdiri dari tanggal dan jumlah volume sampah dari tahun 2021-2023 dengan metode Long Short Term Memory (LSTM). Penelitian ini menggunakan algoritma LSTM dengan jumlah neuron sebanyak 128, input layer sebanyak 30, dan pelatihan model sebanyak 500 epoch berhasil memberikan tingkat akurasi yang cukup baik dengan nilai MSE 0.02207 dalam memprediksi volume sampah

PENGELOMPOKAN INDEKS PRESTASI KUMULATIF MAHASISWA BERDASARKAN EMOSI MENTAL MENGGUNAKAN K-MEANS CLUSTERING Muhammad Basysyar, Fadhil; Dwilestari, Gifthera
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 6 (2024): JATI Vol. 8 No. 6
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i6.11597

Kinerja akademik mahasiswa, yang diukur melalui Indeks Prestasi Kumulatif (IPK), dipengaruhi oleh berbagai faktor, termasuk kondisi emosi mental seperti stres, kecemasan, dan depresi. Penelitian ini bertujuan untuk mengelompokkan mahasiswa berdasarkan IPK dan kondisi emosi mental mereka menggunakan algoritma K-Means Clustering. Dengan menggunakan dataset yang terdiri dari 226 mahasiswa, yang mencakup variabel IPK dan status emosi mental (depresi, kecemasan, serangan panik), dilakukan analisis pengelompokan untuk mengidentifikasi hubungan antara kondisi emosional dan performa akademik. Hasil penelitian menunjukkan bahwa mahasiswa terbagi menjadi dua klaster utama, di mana klaster pertama terdiri dari mahasiswa dengan kondisi emosional stabil dan IPK yang tinggi, sementara klaster kedua mencakup mahasiswa dengan kondisi emosi yang lebih rentan, meskipun masih memiliki IPK yang tinggi. Hasil analisis menunjukkan pembentukan dua klaster utama, yaitu klaster 0 dan klaster 1, yang merepresentasikan variabilitas signifikan dalam IPK, tingkat depresi, kecemasan, serangan panik, dan kebutuhan akan perawatan spesialis. Evaluasi dilakukan menggunakan Davies Bouldin Index untuk mengukur kualitas kluster yang terbentuk yaitu 2 klaster dengan nilai Dbi sebesar 1.12.

Title

Found 6 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 6 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 6 Documents
Search